20 terlarut sari buah jeruk, apel, pear, pepaya dan pisang. Dari berbagai sari buah tersebut
dikembangkan algoritma umum untuk menentukan total padatan terlarut sari buah. Penerapan pantulan NIR telah digunakan untuk mengukur kekerasan biji gandum
Delwiche 1993, mengevaluasi rasa beras Kawamura et al., 1997. Budiastra et al., 1995 mengklasifikasikan mangga kedalam tiga jenis rasa manis, manis asam dan asam
yang diukur dengan teknologi NIR pada 200 contoh mangga dengan kisaran panjang gelombang 1400 nm–1975 nm. Metode stepwise dari regresi berganda digunakan untuk
memilih panjang gelombang optimal untuk menduga kosentrasi sukrosa dan asam malat. Susanto et al., 2000 melakukan kalibrasi pantulan infra merah dekat dengan
jaringan syaraf tiruan untuk menduga kosentrasi sukrosa dan asam malat pada buah mangga gedong. Dari penelitian tersebut disimpulkan bahwa sistem jaringan syaraf tiruan
JST dapat digunakan pada tahap kalibrasi pantulan dari NIR. Metode yang digunakan untuk kalibrasi dengan JST tersebut adalah metode backpropagation. Pendugaan kualitas
buah tomat secara non destructive menggunakan VISNIR spectroscopy dilakukan oleh He et al., 2005. Cayuela 2008 menduga total padatan terlarut jeruk Citrus sinensis L.
cv. Valencia menggunakan VISNIR.
2.7. Jaringan Syaraf Tiruan JST
Penerapan Jaringan Syaraf Tiruan JST sudah lama berkembang dimulai oleh Rosenblatt pada tahun 1957, yaitu pengenalan hurup cetak namun mempunyai kelemahan
tidak dapat mengenali karakter kompleks, peka terhadap perbedaan skala pergeseran, dan distorsi. Namun penerapan di bidang pertanian baru dimulai sekitar tahun
1980-an yakni pada penelitian Gordon et al., 1998 yang mendeteksi adanya jamur pada jagung, serta menggabungkannya dengan photo infrared spectroscopy untuk mendiagnosa
infeksi pada biji jagung secara otomatis. Diterapkan juga dalam simulasi sistem drainase Yang et al., 1998, penyakit kacang-kacangan Batchelor et al., 1997, konsentrasi
pestisida dalam tanah Yang et al., 1997, perpindahan panas Sablani et al., 1995, klasifikasi warna kernel gandum Wang et al., 1999, dan pakan ternak Suroso et al.,
1999. Penelitian aplikasi JST pada pasca panen hasil pertanian telah dilakukan oleh Kondo 1995 yang menggunakan JST untuk mengevaluasi kandungan gula buah jeruk
21 dengan koefisien determinasi 0.872. Huang et al., 1998 menggunakan JST untuk
memprediksi proses pengeringan makanan kecil secara kontinuous. JST menghasilkan akurasi yang lebih tinggi dibandingkan dengan PLS pada klasifikasi kerusakan biji kacang
kedelai menggunakan spektra NIR. Rata-rata klasifikasi yang benar 94.0 pada saat kalibrasi dan 89.8 saat validasi, sedangkan dengan PLS rata-rata klasifikasi yang benar
hanya 70.33 pada saat kalibrasi, dan 71 saat validasi Wang et al., 2002. Jensen et al
. 1997 mengklasifikasi varietas tomat secara otomatis dengan menggunakan metoda klasifikasi statistik multivarian dan dikombinasikan dengan model jaringan syaraf tiruan
yang terdiri dari 2 lapisan. Penelitian lainnya dilakukan oleh Susanto et al., 2000 yang menerapkan JST
untuk sortasi mangga gedong berdasarkan konsentrasi sukrosa dan asam malat buah yang diukur dengan NIR. Penerapan JST dengan input komponen utama memprediksi
asam malat dengan root mean square error predicting RMSEP adalah 0.1170 sampai 0.2034 sedangkan RMSEP untuk penentuan sukrosa antara 0.1556 dan 0.1773 .
Purwanto 2000 melakukan penelitian untuk mengidentifikasi respon kumulatif buah tomat selama penyimpanan dengan metode neural network. Berbagai temperatur sebagai input dan
kehilangan air, warna sebagai output didapatkan estimasi error adalah 0.0033 dan 0.1066. Respon buah tomat selama penyimpanan mempunyai hubungan linier dengan kehilangan
air dan mempunyai hubungan secara nonlinier dengan perubahan warna. Hendri et al. 2001 mengaplikasikan neural network untuk mengevaluasi secara nondestruktif biji
buah duku dengan menggunakan sinar tampak, pelatihan dengan simpul 3, 4, 5, 6 dan iterasi 2000, 4000, 6000 dan 8000 menghasilkan RMSE yang terendah pada iterasi 4000,
simpul 4 dan koefisien determinasi 0.86. Menurut Rejo et al., 2001 bahwa model JST dapat digunakan untuk
mengklasifikasikan tingkat ketuaan dan kematangan buah durian.Tingkat validasi model JST untuk klasifikasi tingkat ketuaan dan kematangan pada iterasi 1000 dan 5000 dengan
simpul 10, 8, 6, dan 4 menghasilkan akurasi sebesar 87.5 sampai 100. Suyantohadi et al
., 2001 melakukan identifikasi tingkat ketuaan mangga arumanis dengan menggunakan JST. Model JST menggunakan 4 lapisan yaitu lapisan input terdiri dari 4 simpul, lapisan
tersembunyi 1 dan 2 terdapat 50 dan 40 simpul, sedangkan lapisan output terdiri dari 5
22 simpul. Hasil penelitian didapatkan bahwa model JST sudah dapat mengidentifikasi buah
mangga yang mentah, matang dan lewat matang. Suroso dan Maulani 2003 melakukan evaluasi mutu ketimun jepang berdasarkan bentuk dengan model JST perceptron yang
mempunyai 84 unit masukan hasil pengolahan citra berupa bilangan biner dan bipolar dan 3 unit keluaran bipolar. Nilai pembobot didapatkan dengan nilai pembatas = 0.4,
laju training = 0.5 dan dilakukan sampai iterasi ke-10 dengan tingkat keberhasilan 86,67 data masukan biner yang lebih besar dari data masukan bipolar 53.3. Damiri et
al ., 2004 menentukan tingkat ketuaan dan kematangan jeruk lemon menggunakan
pengolahan citra dan JST dengan tingkat keakuratan model 100 dengan jumlah data masukan masing-masing 4, 5, 7, 9 buah parameter mutu hasil pengolahan citra pada
berbagai jumlah lapisan tersembunyi.
2.8. Pengolahan Citra Image Processing
